TEDxCambridge
Tricia Wang: The human insights missing from big data
Триша Уонг: Большим данным не достаёт данных от людей
Filmed:
Readability: 4.5
1,688,539 views
Почему так много компаний принимают неверные решения, даже несмотря на доступ к безграничному объёму данных? Рассказывая истории от случаев с Nokia и Netflix, до легенд об оракулах Древней Греции, Триша Уонг ответит на этот вопрос и укажет на опасность «больши́х данных». Чтобы принимать правильные бизнес-решения и преуспевать в будущем, она предлагает нам сосредоточиться на «плотных данных» — ценнейшей, неисчисляемой цифрами информации от самих людей.
Tricia Wang - Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio
Double-click the English transcript below to play the video.
00:12
In ancient Greece,
0
885
1545
В Древней Греции,
00:15
when anyone from slaves to soldiers,
poets and politicians,
poets and politicians,
1
3436
3943
когда кому-либо — от рабов
до воинов, поэтов и политиков —
до воинов, поэтов и политиков —
00:19
needed to make a big decision
on life's most important questions,
on life's most important questions,
2
7403
4004
нужно было принять ключевое решение
в самых важных жизненных вопросах,
в самых важных жизненных вопросах,
вроде: «Стоит ли мне жениться?»,
00:23
like, "Should I get married?"
3
11431
1391
00:24
or "Should we embark on this voyage?"
4
12846
1857
или «Стоит ли отправляться в путь?»,
00:26
or "Should our army
advance into this territory?"
advance into this territory?"
5
14727
2928
или «Стоит ли нашим войскам
наступать на эти земли?»,
наступать на эти земли?»,
00:29
they all consulted the oracle.
6
17679
2579
они всегда спрашивали совета
у оракула, провидицы.
у оракула, провидицы.
00:33
So this is how it worked:
7
21020
1440
Вот как это было:
00:34
you would bring her a question
and you would get on your knees,
and you would get on your knees,
8
22484
3112
придя к ней с вопросом,
люди вставали на одно колено,
люди вставали на одно колено,
00:37
and then she would go into this trance.
9
25620
1871
после чего она впадала в транс.
00:39
It would take a couple of days,
10
27515
1549
На это могло уйти два дня,
00:41
and then eventually
she would come out of it,
she would come out of it,
11
29088
2163
и вот, наконец, она выходила из транса,
00:43
giving you her predictions as your answer.
12
31275
2536
и её ответом было предсказание.
00:46
From the oracle bones of ancient China
13
34910
2566
Начиная с гадальных костей Древнего Китая,
00:49
to ancient Greece to Mayan calendars,
14
37500
2345
до оракулов Древней Греции
и календарей Майя,
и календарей Майя,
00:51
people have craved for prophecy
15
39869
2296
люди нуждались в пророчествах,
00:54
in order to find out
what's going to happen next.
what's going to happen next.
16
42189
3137
чтобы узнать, что произойдёт дальше.
00:58
And that's because we all want
to make the right decision.
to make the right decision.
17
46516
3239
И всё из-за того, что все мы хотим
принять правильное решение.
принять правильное решение.
01:01
We don't want to miss something.
18
49779
1545
Мы не хотим ничего упускать.
01:03
The future is scary,
19
51892
1743
Будущее пугает,
01:05
so it's much nicer
knowing that we can make a decision
knowing that we can make a decision
20
53659
2717
поэтому намного приятнее знать,
что можно принять решение
что можно принять решение
01:08
with some assurance of the outcome.
21
56400
1982
с некой долей уверенности в результате.
01:11
Well, we have a new oracle,
22
59079
1611
И у нас появилась своя провидица,
01:12
and it's name is big data,
23
60714
2145
и имя её — «большие данные» [Big data],
01:14
or we call it "Watson"
or "deep learning" or "neural net."
or "deep learning" or "neural net."
24
62883
3939
которую мы также называем Watson,
«глубокое изучение» или «нейронная сеть».
«глубокое изучение» или «нейронная сеть».
01:19
And these are the kinds of questions
we ask of our oracle now,
we ask of our oracle now,
25
67340
4012
И вот какие вопросы мы задаём
нашей провидице сегодня:
нашей провидице сегодня:
01:23
like, "What's the most efficient way
to ship these phones
to ship these phones
26
71376
3922
«Как наиболее эффективно
переправить эти телефоны
переправить эти телефоны
01:27
from China to Sweden?"
27
75322
1823
из Китая в Швецию?»,
01:29
Or, "What are the odds
28
77169
1800
или «Каковы шансы родить
01:30
of my child being born
with a genetic disorder?"
with a genetic disorder?"
29
78993
3363
ребёнка с генетическим заболеванием?»,
01:34
Or, "What are the sales volume
we can predict for this product?"
we can predict for this product?"
30
82952
3244
или «Каков прогноз по объёмам
продаж для этого продукта?».
продаж для этого продукта?».
01:40
I have a dog. Her name is Elle,
and she hates the rain.
and she hates the rain.
31
88108
4047
У меня есть собака. Её зовут Эл,
она терпеть не может дождь.
она терпеть не может дождь.
01:44
And I have tried everything
to untrain her.
to untrain her.
32
92179
3306
Я всё перепробовала, чтобы это исправить.
01:47
But because I have failed at this,
33
95509
2771
Но у меня ничего не вышло,
01:50
I also have to consult
an oracle, called Dark Sky,
an oracle, called Dark Sky,
34
98304
3286
поэтому мне приходится обращаться
к пророку по имени «прогноз погоды»
к пророку по имени «прогноз погоды»
01:53
every time before we go on a walk,
35
101614
1635
перед каждым выходом на прогулку,
01:55
for very accurate weather predictions
in the next 10 minutes.
in the next 10 minutes.
36
103273
3577
чтобы получить самый точный прогноз
на следующие 10 минут.
на следующие 10 минут.
02:01
She's so sweet.
37
109535
1303
Она просто прелесть.
02:03
So because of all of this,
our oracle is a $122 billion industry.
our oracle is a $122 billion industry.
38
111827
5707
Из-за всего этого наша провидица
стала 122-миллиардной индустрией.
стала 122-миллиардной индустрией.
02:10
Now, despite the size of this industry,
39
118006
3376
Сейчас, несмотря на размер индустрии,
02:13
the returns are surprisingly low.
40
121406
2456
её доходы поразительно малы.
02:16
Investing in big data is easy,
41
124342
2494
Инвестировать в большие данные легко,
02:18
but using it is hard.
42
126860
1933
но использовать их непросто.
02:21
Over 73 percent of big data projects
aren't even profitable,
aren't even profitable,
43
129981
4040
Более 73% проектов с большими
данными совсем не приносят дохода.
данными совсем не приносят дохода.
02:26
and I have executives
coming up to me saying,
coming up to me saying,
44
134045
2431
Ко мне приходили топ-менеджеры и говорили:
02:28
"We're experiencing the same thing.
45
136500
1789
«И у нас то же самое.
02:30
We invested in some big data system,
46
138313
1753
Мы вложились в такую систему,
02:32
and our employees aren't making
better decisions.
better decisions.
47
140090
2968
но наши работники умнее не стали.
02:35
And they're certainly not coming up
with more breakthrough ideas."
with more breakthrough ideas."
48
143082
3162
И уж точно ничего передового
не придумают».
не придумают».
02:38
So this is all really interesting to me,
49
146914
3184
Так что всё это меня очень интересует,
02:42
because I'm a technology ethnographer.
50
150122
2010
потому что я технологический этнограф.
02:44
I study and I advise companies
51
152630
2564
Я изучаю и консультирую компании
02:47
on the patterns
of how people use technology,
of how people use technology,
52
155218
2483
в вопросах того, как люди
используют технологии,
используют технологии,
02:49
and one of my interest areas is data.
53
157725
2678
и в частности меня интересуют данные.
02:52
So why is having more data
not helping us make better decisions,
not helping us make better decisions,
54
160427
5193
Так почему же доступ к бо́льшим данным
не помогает принятию лучших решений,
не помогает принятию лучших решений,
02:57
especially for companies
who have all these resources
who have all these resources
55
165644
2783
даже компаниям, владеющим ресурсами
03:00
to invest in these big data systems?
56
168451
1736
для инвестиций в большие данные?
03:02
Why isn't it getting any easier for them?
57
170211
2398
Почему им от них не становится легче?
03:05
So, I've witnessed the struggle firsthand.
58
173990
2634
Такая ситуация случилась со мной лично.
03:09
In 2009, I started
a research position with Nokia.
a research position with Nokia.
59
177374
3484
В 2009 году я устроилась
в исследовательский отдел Nokia.
в исследовательский отдел Nokia.
03:13
And at the time,
60
181232
1158
А в то время Nokia была
03:14
Nokia was one of the largest
cell phone companies in the world,
cell phone companies in the world,
61
182414
3158
одним из самых крупных в мире
производителей сотовых телефонов,
производителей сотовых телефонов,
03:17
dominating emerging markets
like China, Mexico and India --
like China, Mexico and India --
62
185596
3202
лидируя на растущих рынках
Китая, Мексики и Индии,
Китая, Мексики и Индии,
03:20
all places where I had done
a lot of research
a lot of research
63
188822
2502
там же я провела множество
исследований того,
исследований того,
03:23
on how low-income people use technology.
64
191348
2676
как используют технологии
люди с низким доходом.
люди с низким доходом.
03:26
And I spent a lot of extra time in China
65
194048
2330
В Китае я провела особенно много времени,
03:28
getting to know the informal economy.
66
196402
2592
знакомясь с теневым сектором экономики.
03:31
So I did things like working
as a street vendor
as a street vendor
67
199018
2401
Ради этого я даже поработала
уличным торговцем,
уличным торговцем,
03:33
selling dumplings to construction workers.
68
201443
2574
продавала пельмени рабочим со стройки.
03:36
Or I did fieldwork,
69
204041
1358
А ещё собирала информацию,
03:37
spending nights and days
in internet cafés,
in internet cafés,
70
205423
2958
просиживая днями и ночами
в интернет-кафешках
в интернет-кафешках
03:40
hanging out with Chinese youth,
so I could understand
so I could understand
71
208405
2546
и общаясь с китайской
молодёжью, чтобы понять,
молодёжью, чтобы понять,
03:42
how they were using
games and mobile phones
games and mobile phones
72
210975
2284
как они относились к играм
и мобильным телефонам,
и мобильным телефонам,
03:45
and using it between moving
from the rural areas to the cities.
from the rural areas to the cities.
73
213283
3370
и как это менялось с переездом
из сельской местности в город.
из сельской местности в город.
03:50
Through all of this qualitative evidence
that I was gathering,
that I was gathering,
74
218335
3927
Благодаря всем тем качественным
данным, что я собирала,
данным, что я собирала,
03:54
I was starting to see so clearly
75
222286
2824
я начала лучше понимать,
03:57
that a big change was about to happen
among low-income Chinese people.
among low-income Chinese people.
76
225134
4472
что в жизни китайцев с низким уровнем
дохода грядут большие перемены.
дохода грядут большие перемены.
04:03
Even though they were surrounded
by advertisements for luxury products
by advertisements for luxury products
77
231020
4367
Несмотря на то, что они были окружены
рекламой предметов роскоши,
рекламой предметов роскоши,
04:07
like fancy toilets --
who wouldn't want one? --
who wouldn't want one? --
78
235411
3495
вроде изысканных унитазов, —
и как такой не захотеть? —
и как такой не захотеть? —
04:10
and apartments and cars,
79
238930
2890
рекламой квартир и машин,
04:13
through my conversations with them,
80
241844
1820
пообщавшись с ними,
04:15
I found out that the ads
the actually enticed them the most
the actually enticed them the most
81
243688
3841
я поняла, что по-настоящему их завлекала
04:19
were the ones for iPhones,
82
247553
1996
только реклама айфонов,
04:21
promising them this entry
into this high-tech life.
into this high-tech life.
83
249573
3052
обещавшая перенести их
в мир высоких технологий.
в мир высоких технологий.
04:25
And even when I was living with them
in urban slums like this one,
in urban slums like this one,
84
253469
3163
Даже когда я жила с ними
в городских трущобах, подобных этим,
в городских трущобах, подобных этим,
04:28
I saw people investing
over half of their monthly income
over half of their monthly income
85
256656
2996
я видела людей, тративших больше
половины месячного дохода
половины месячного дохода
04:31
into buying a phone,
86
259676
1623
на покупку телефона,
04:33
and increasingly, they were "shanzhai,"
87
261323
2302
или ещё хуже — его копии,
04:35
which are affordable knock-offs
of iPhones and other brands.
of iPhones and other brands.
88
263649
3388
одной из дешёвых подделок айфонов
или смартфонов других брендов.
или смартфонов других брендов.
04:40
They're very usable.
89
268303
1625
И они в большом ходу.
04:42
Does the job.
90
270890
1322
Работают как надо.
04:44
And after years of living
with migrants and working with them
with migrants and working with them
91
272750
5789
И спустя годы жизни с мигрантами
и работы с ними бок о бок,
и работы с ними бок о бок,
04:50
and just really doing everything
that they were doing,
that they were doing,
92
278563
3434
делая всё то же, что они,
04:54
I started piecing
all these data points together --
all these data points together --
93
282021
3597
я начала собирать по кускам
всю эту информацию,
всю эту информацию,
04:57
from the things that seem random,
like me selling dumplings,
like me selling dumplings,
94
285642
3123
начав с того, что казалось случайным,
как моя торговля пельменями,
как моя торговля пельменями,
05:00
to the things that were more obvious,
95
288789
1804
до более очевидных вещей,
05:02
like tracking how much they were spending
on their cell phone bills.
on their cell phone bills.
96
290617
3232
как, например, отслеживание
их счетов за телефон.
их счетов за телефон.
05:05
And I was able to create
this much more holistic picture
this much more holistic picture
97
293873
2639
И я смогла создать целостную картину
05:08
of what was happening.
98
296536
1156
того, что происходило.
05:09
And that's when I started to realize
99
297716
1722
И именно тогда я начала понимать,
05:11
that even the poorest in China
would want a smartphone,
would want a smartphone,
100
299462
3509
что даже нищий китаец хотел себе смартфон,
05:14
and that they would do almost anything
to get their hands on one.
to get their hands on one.
101
302995
4985
и что они были готовы на всё,
лишь бы его заполучить.
лишь бы его заполучить.
05:21
You have to keep in mind,
102
309073
2404
При этом не забывайте,
05:23
iPhones had just come out, it was 2009,
103
311501
3084
что айфоны тогда только появились.
Это был 2009 год.
Это был 2009 год.
05:26
so this was, like, eight years ago,
104
314609
1885
Это сколько? Восемь лет назад.
05:28
and Androids had just started
looking like iPhones.
looking like iPhones.
105
316518
2437
И андроиды только начинали
выглядеть как айфоны.
выглядеть как айфоны.
05:30
And a lot of very smart
and realistic people said,
and realistic people said,
106
318979
2507
И масса очень умных
и адекватных людей говорили:
и адекватных людей говорили:
05:33
"Those smartphones -- that's just a fad.
107
321510
2207
«Эти смартфоны — лишь временное увлечение.
05:36
Who wants to carry around
these heavy things
these heavy things
108
324243
2996
Кто захочет носить с собой такую тяжесть,
05:39
where batteries drain quickly
and they break every time you drop them?"
and they break every time you drop them?"
109
327263
3487
в которой батарейка быстро садится,
и которые ломаются, стоит разок уронить?».
и которые ломаются, стоит разок уронить?».
Но я собрала много доказательств
05:44
But I had a lot of data,
110
332793
1201
05:46
and I was very confident
about my insights,
about my insights,
111
334018
2260
и была уверена в своих подозрениях,
05:48
so I was very excited
to share them with Nokia.
to share them with Nokia.
112
336302
2829
которыми с нетерпением
хотела поделиться с Nokia.
хотела поделиться с Nokia.
05:53
But Nokia was not convinced,
113
341332
2517
Но в Nokia мне не поверили,
05:55
because it wasn't big data.
114
343873
2335
потому что мои данные не были большими.
05:59
They said, "We have
millions of data points,
millions of data points,
115
347022
2404
Они сказали: «У нас миллионная выборка,
06:01
and we don't see any indicators
of anyone wanting to buy a smartphone,
of anyone wanting to buy a smartphone,
116
349450
4247
и мы не видим признаков того,
что кто-то хотел бы купить смартфон,
что кто-то хотел бы купить смартфон,
06:05
and your data set of 100,
as diverse as it is, is too weak
as diverse as it is, is too weak
117
353721
4388
а у вас всего 100 наблюдений, — какими бы
пёстрыми они не были ,— их слишком мало,
пёстрыми они не были ,— их слишком мало,
06:10
for us to even take seriously."
118
358133
1714
чтобы принимать их всерьёз».
06:12
And I said, "Nokia, you're right.
119
360908
1605
И я сказала: «Nokia, вы правы.
06:14
Of course you wouldn't see this,
120
362537
1560
Естественно, вы их не увидите,
06:16
because you're sending out surveys
assuming that people don't know
assuming that people don't know
121
364121
3371
потому что рассылаете анкеты,
полагая, что люди не знают,
полагая, что люди не знают,
что такое смартфон,
06:19
what a smartphone is,
122
367516
1159
поэтому, естественно, вы не
получите нужную информацию
получите нужную информацию
06:20
so of course you're not going
to get any data back
to get any data back
123
368699
2366
о людях, пожелающих купить
смартфон через два года.
смартфон через два года.
06:23
about people wanting to buy
a smartphone in two years.
a smartphone in two years.
124
371089
2572
Ваши опросы и ваши методы были разработаны
06:25
Your surveys, your methods
have been designed
have been designed
125
373685
2118
для оптимизации существующей
бизнес-модели,
бизнес-модели,
06:27
to optimize an existing business model,
126
375827
2022
06:29
and I'm looking
at these emergent human dynamics
at these emergent human dynamics
127
377873
2608
а я вижу среди людей динамику роста,
06:32
that haven't happened yet.
128
380505
1354
которая ещё не случилась.
06:33
We're looking outside of market dynamics
129
381883
2438
Если смотреть за пределы динамики рынка,
06:36
so that we can get ahead of it."
130
384345
1631
его можно опередить».
06:39
Well, you know what happened to Nokia?
131
387373
2244
Всем известно, что случилось с Nokia?
06:41
Their business fell off a cliff.
132
389641
2365
Их бизнес потерпел полный крах.
06:44
This -- this is the cost
of missing something.
of missing something.
133
392791
3727
Такова была плата за их упущения.
06:49
It was unfathomable.
134
397163
1999
Уму непостижимо.
06:52
But Nokia's not alone.
135
400003
1651
И это случилось не только с Nokia.
06:54
I see organizations
throwing out data all the time
throwing out data all the time
136
402258
2581
Я вижу организации, постоянно
отбрасывающие наши данные
отбрасывающие наши данные
06:56
because it didn't come from a quant model
137
404863
2561
из-за того, что они пришли
не из сухой статистики
не из сухой статистики
06:59
or it doesn't fit in one.
138
407448
1768
или не подтверждают её.
07:02
But it's not big data's fault.
139
410219
2048
Но вины больших данные тут нет.
07:04
It's the way we use big data;
it's our responsibility.
it's our responsibility.
140
412942
3907
Просто мы их так используем.
Мы сами за это в ответе.
Мы сами за это в ответе.
07:09
Big data's reputation for success
141
417730
1911
Репутация залога успеха
07:11
comes from quantifying
very specific environments,
very specific environments,
142
419665
3759
пришла к большим данным из-за расчётов
в очень специфических сферах,
в очень специфических сферах,
07:15
like electricity power grids
or delivery logistics or genetic code,
or delivery logistics or genetic code,
143
423448
4913
таких как электросети, логистика
или генетический код,
или генетический код,
07:20
when we're quantifying in systems
that are more or less contained.
that are more or less contained.
144
428385
4318
когда мы высчитываем данные
в более-менее автономных системах.
в более-менее автономных системах.
07:24
But not all systems
are as neatly contained.
are as neatly contained.
145
432727
2969
Но не все системы настолько автономны.
07:27
When you're quantifying
and systems are more dynamic,
and systems are more dynamic,
146
435720
3258
При расчётах в более динамичных системах,
07:31
especially systems
that involve human beings,
that involve human beings,
147
439002
3799
особенно системах, включающих людей,
07:34
forces are complex and unpredictable,
148
442825
2426
факторы сложны и непредсказуемы,
07:37
and these are things
that we don't know how to model so well.
that we don't know how to model so well.
149
445275
3486
и мы не знаем, как их
правильно смоделировать.
правильно смоделировать.
07:41
Once you predict something
about human behavior,
about human behavior,
150
449204
2813
Стоит вам что-то предсказать
в поведении человека,
в поведении человека,
07:44
new factors emerge,
151
452041
1855
как появляются новые факторы,
07:45
because conditions
are constantly changing.
are constantly changing.
152
453920
2365
потому что условия постоянно меняются.
Поэтому это бесконечный круг.
07:48
That's why it's a never-ending cycle.
153
456309
1803
Только вы решили, что что-то знаете,
07:50
You think you know something,
154
458136
1464
07:51
and then something unknown
enters the picture.
enters the picture.
155
459624
2242
как появляется что-то неизвестное.
07:53
And that's why just relying
on big data alone
on big data alone
156
461890
3322
Поэтому надежда лишь на большие данные
07:57
increases the chance
that we'll miss something,
that we'll miss something,
157
465236
2849
увеличивает вероятность
что-то упустить из виду.
что-то упустить из виду.
08:00
while giving us this illusion
that we already know everything.
that we already know everything.
158
468109
3777
Хоть у нас и появляется иллюзия,
что мы уже всё знаем.
что мы уже всё знаем.
08:04
And what makes it really hard
to see this paradox
to see this paradox
159
472406
3856
Увидеть этот парадокс
08:08
and even wrap our brains around it
160
476286
2659
и тем более уложить его в голове
сложнее оттого,
сложнее оттого,
08:10
is that we have this thing
that I call the quantification bias,
that I call the quantification bias,
161
478969
3691
что в нас есть такая штука, которую
я называю «креном к подсчёту количества»,
я называю «креном к подсчёту количества»,
08:14
which is the unconscious belief
of valuing the measurable
of valuing the measurable
162
482684
3922
когда всё измеряемое
подсознательно ценится больше,
чем неизмеряемое.
чем неизмеряемое.
08:18
over the immeasurable.
163
486630
1594
08:21
And we often experience this at our work.
164
489222
3284
И мы часто сталкиваемся с этим на работе.
08:24
Maybe we work alongside
colleagues who are like this,
colleagues who are like this,
165
492530
2650
Мы, возможно, работаем
бок о бок с такими людьми
бок о бок с такими людьми
08:27
or even our whole entire
company may be like this,
company may be like this,
166
495204
2428
или, может, таковой является
вся наша организация,
вся наша организация,
08:29
where people become
so fixated on that number,
so fixated on that number,
167
497656
2546
когда люди так сильно углубляются в цифры,
08:32
that they can't see anything
outside of it,
outside of it,
168
500226
2067
что больше ничего за ними не видят,
08:34
even when you present them evidence
right in front of their face.
right in front of their face.
169
502317
3948
даже если подсунуть
доказательства им прямо под нос.
доказательства им прямо под нос.
08:39
And this is a very appealing message,
170
507123
3371
И это очень приятное наблюдение,
08:42
because there's nothing
wrong with quantifying;
wrong with quantifying;
171
510518
2343
ведь в подсчёте количества
нет ничего плохого,
нет ничего плохого,
08:44
it's actually very satisfying.
172
512885
1430
получается очень убедительно.
08:46
I get a great sense of comfort
from looking at an Excel spreadsheet,
from looking at an Excel spreadsheet,
173
514339
4362
Для меня смотреть на таблицы Excel —
такой бальзам на душу!
такой бальзам на душу!
08:50
even very simple ones.
174
518725
1401
Даже на самые простые.
08:52
(Laughter)
175
520150
1014
(Смех)
08:53
It's just kind of like,
176
521188
1152
Будто я такая:
08:54
"Yes! The formula worked. It's all OK.
Everything is under control."
Everything is under control."
177
522364
3504
«Ага! Формула сработала. Всё в порядке.
Всё идёт как надо».
Всё идёт как надо».
08:58
But the problem is
178
526792
2390
Но проблема в том,
09:01
that quantifying is addictive.
179
529206
2661
что к подсчётам количества привыкаешь.
09:03
And when we forget that
180
531891
1382
И когда мы забываемся,
09:05
and when we don't have something
to kind of keep that in check,
to kind of keep that in check,
181
533297
3038
и когда нам не с чем свериться,
09:08
it's very easy to just throw out data
182
536359
2118
очень легко просто выбросить данные,
09:10
because it can't be expressed
as a numerical value.
as a numerical value.
183
538501
2718
из-за того, что не получается
выразить их в цифровой форме.
выразить их в цифровой форме.
09:13
It's very easy just to slip
into silver-bullet thinking,
into silver-bullet thinking,
184
541243
2921
Очень легко уйти в размышления
о простых, но верных решениях,
о простых, но верных решениях,
09:16
as if some simple solution existed.
185
544188
2579
будто такие бывают.
09:19
Because this is a great moment of danger
for any organization,
for any organization,
186
547600
4062
Потому что в этом и состоит
опасность для любой организации,
опасность для любой организации,
потому что зачастую будущее,
которое мы хотим предсказать,
которое мы хотим предсказать,
09:23
because oftentimes,
the future we need to predict --
the future we need to predict --
187
551686
2634
09:26
it isn't in that haystack,
188
554344
2166
лежит не в том стогу,
09:28
but it's that tornado
that's bearing down on us
that's bearing down on us
189
556534
2538
а в том торнадо, которое
несётся на нас из-за стен сарая.
несётся на нас из-за стен сарая.
09:31
outside of the barn.
190
559096
1488
09:34
There is no greater risk
191
562960
2326
Нет бо́льшего риска,
09:37
than being blind to the unknown.
192
565310
1666
чем не видеть того, что неизвестно.
09:39
It can cause you to make
the wrong decisions.
the wrong decisions.
193
567000
2149
Из-за этого можно принять
неверное решение.
неверное решение.
09:41
It can cause you to miss something big.
194
569173
1974
Из-за этого что-то важное
может пройти мимо.
может пройти мимо.
09:43
But we don't have to go down this path.
195
571734
3101
Но нам не обязательно идти по этому пути.
09:47
It turns out that the oracle
of ancient Greece
of ancient Greece
196
575453
3195
Оказывается, у провидиц Древней Греции
09:50
holds the secret key
that shows us the path forward.
that shows us the path forward.
197
578672
3966
был секретный ключ,
который укажет нам дорогу вперёд.
который укажет нам дорогу вперёд.
09:55
Now, recent geological research has shown
198
583654
2595
Недавние геологические
исследования доказали,
исследования доказали,
09:58
that the Temple of Apollo,
where the most famous oracle sat,
where the most famous oracle sat,
199
586273
3564
что храм Аполлона, где обитал
самый известный оракул,
самый известный оракул,
10:01
was actually built
over two earthquake faults.
over two earthquake faults.
200
589861
3084
на самом деле был построен
на месте двух разломов в земной коре.
на месте двух разломов в земной коре.
10:04
And these faults would release
these petrochemical fumes
these petrochemical fumes
201
592969
2886
Из тех разломов в земной коре
выходили петрохимические пары,
выходили петрохимические пары,
10:07
from underneath the Earth's crust,
202
595879
1685
10:09
and the oracle literally sat
right above these faults,
right above these faults,
203
597588
3866
то есть провидица сидела
прямо над этими разломами
прямо над этими разломами
10:13
inhaling enormous amounts
of ethylene gas, these fissures.
of ethylene gas, these fissures.
204
601478
3588
и вдыхала немыслимое количество
этилена, исходящего из этих трещин.
этилена, исходящего из этих трещин.
10:17
(Laughter)
205
605090
1008
(Смех)
10:18
It's true.
206
606122
1173
Так и было.
10:19
(Laughter)
207
607319
1017
(Смех)
10:20
It's all true, and that's what made her
babble and hallucinate
babble and hallucinate
208
608360
3509
Всё это правда. Вот из-за чего провидица
бормотала, видела галлюцинации
бормотала, видела галлюцинации
10:23
and go into this trance-like state.
209
611893
1724
и впадала в транс.
10:25
She was high as a kite!
210
613641
1770
Да она просто обкуренная была!
10:27
(Laughter)
211
615435
4461
(Смех)
10:31
So how did anyone --
212
619920
2779
Как вообще кто-то...?
10:34
How did anyone get
any useful advice out of her
any useful advice out of her
213
622723
3030
Как кто-то мог получить
от неё ценный совет
от неё ценный совет
10:37
in this state?
214
625777
1190
в таком состоянии?
10:39
Well, you see those people
surrounding the oracle?
surrounding the oracle?
215
627497
2381
Видите этих людей вокруг неё?
10:41
You see those people holding her up,
216
629902
1879
Видите, как они поддерживали её,
10:43
because she's, like, a little woozy?
217
631805
1717
потому что она слегка одурманена?
10:45
And you see that guy
on your left-hand side
on your left-hand side
218
633546
2308
И видите того парня слева от неё,
10:47
holding the orange notebook?
219
635878
1598
который держит оранжевую тетрадь?
10:50
Well, those were the temple guides,
220
638105
1730
Так вот, это были жрецы храма,
10:51
and they worked hand in hand
with the oracle.
with the oracle.
221
639859
3016
они работали рука об руку с провидицей.
10:56
When inquisitors would come
and get on their knees,
and get on their knees,
222
644084
2516
Когда просители приходили
и вставали на колени,
и вставали на колени,
в тот же момент жрецы храма
приступали к работе:
приступали к работе:
10:58
that's when the temple guides
would get to work,
would get to work,
223
646624
2340
после того, как вопрос был задан,
жрецы следили за эмоциями просителей,
жрецы следили за эмоциями просителей,
11:00
because after they asked her questions,
224
648988
1864
11:02
they would observe their emotional state,
225
650876
2001
а потом задавали им
дополнительные вопросы:
дополнительные вопросы:
11:04
and then they would ask them
follow-up questions,
follow-up questions,
226
652901
2324
«А почему вы хотите знать это
пророчество? Кто вы такие?
пророчество? Кто вы такие?
11:07
like, "Why do you want to know
this prophecy? Who are you?
this prophecy? Who are you?
227
655249
2834
Что вы будете делать с этой информацией?».
11:10
What are you going to do
with this information?"
with this information?"
228
658107
2264
11:12
And then the temple guides would take
this more ethnographic,
this more ethnographic,
229
660395
3182
Так жрецы храма собирали
более этнографическую,
более этнографическую,
11:15
this more qualitative information,
230
663601
2156
более качественную информацию,
11:17
and interpret the oracle's babblings.
231
665781
2075
после чего трактовали лепет провидицы.
11:21
So the oracle didn't stand alone,
232
669428
2292
Так что она работала не одна.
11:23
and neither should our big data systems.
233
671744
2148
Также и системам больших данных
нужна помощь.
нужна помощь.
11:26
Now to be clear,
234
674630
1161
Поясню: я говорю не о том,
11:27
I'm not saying that big data systems
are huffing ethylene gas,
are huffing ethylene gas,
235
675815
3459
что наши системы больших данных
надышались этилена,
надышались этилена,
11:31
or that they're even giving
invalid predictions.
invalid predictions.
236
679298
2353
или что они делают неправильные прогнозы.
11:33
The total opposite.
237
681675
1161
Совсем наоборот.
11:34
But what I am saying
238
682860
2068
Я говорю о том, что,
11:36
is that in the same way
that the oracle needed her temple guides,
that the oracle needed her temple guides,
239
684952
3832
как провидица нуждалась в жрецах,
так в них нуждаются и наши
системы больших данных.
системы больших данных.
11:40
our big data systems need them, too.
240
688808
2288
11:43
They need people like ethnographers
and user researchers
and user researchers
241
691120
4109
Им нужны такие люди, как этнографы
и исследователи пользователей,
и исследователи пользователей,
11:47
who can gather what I call thick data.
242
695253
2506
кто мог бы собрать то, что я
называю «плотными данными».
называю «плотными данными».
11:50
This is precious data from humans,
243
698502
2991
Это вся та ценная информация от людей,
11:53
like stories, emotions and interactions
that cannot be quantified.
that cannot be quantified.
244
701517
4102
как истории, эмоции, общение,
которые нельзя представить количественно.
которые нельзя представить количественно.
11:57
It's the kind of data
that I collected for Nokia
that I collected for Nokia
245
705643
2322
Это всё то, что я собирала для Nokia,
11:59
that comes in in the form
of a very small sample size,
of a very small sample size,
246
707989
2669
что поступало ко мне
мельчайшими крупицами,
мельчайшими крупицами,
12:02
but delivers incredible depth of meaning.
247
710682
2955
но несло в себе значение
невероятной глубины.
невероятной глубины.
12:05
And what makes it so thick and meaty
248
713661
3680
Что делает их такими
плотными и содержательными,
плотными и содержательными,
12:10
is the experience of understanding
the human narrative.
the human narrative.
249
718445
4029
так это опыт правильного восприятия того,
что тебе рассказывают люди.
что тебе рассказывают люди.
12:14
And that's what helps to see
what's missing in our models.
what's missing in our models.
250
722498
3639
И именно это помогает увидеть
прорехи в наших моделях.
прорехи в наших моделях.
12:18
Thick data grounds our business questions
in human questions,
in human questions,
251
726851
4045
Плотные данные погружают вопросы
бизнеса в проблемы человека,
бизнеса в проблемы человека,
12:22
and that's why integrating
big and thick data
big and thick data
252
730920
3562
поэтому совмещение
больших и плотных данных
больших и плотных данных
12:26
forms a more complete picture.
253
734506
1689
создаёт более полную картину.
12:28
Big data is able to offer
insights at scale
insights at scale
254
736772
2881
Большие данные способны предложить
своё видение в масштабе
своё видение в масштабе
12:31
and leverage the best
of machine intelligence,
of machine intelligence,
255
739677
2647
и на самом высоком уровне
машинного интеллекта,
машинного интеллекта,
12:34
whereas thick data can help us
rescue the context loss
rescue the context loss
256
742348
3572
тогда как плотные данные
могут помочь нам сохранить контекст,
могут помочь нам сохранить контекст,
появляющийся при использовании
больших данных,
больших данных,
12:37
that comes from making big data usable,
257
745944
2098
12:40
and leverage the best
of human intelligence.
of human intelligence.
258
748066
2181
и подняться до самых высот
человеческого интеллекта.
человеческого интеллекта.
12:42
And when you actually integrate the two,
that's when things get really fun,
that's when things get really fun,
259
750271
3552
При объединении обоих видов данных
происходит удивительное,
происходит удивительное,
12:45
because then you're no longer
just working with data
just working with data
260
753847
2436
потому что вы не просто работаете
12:48
you've already collected.
261
756307
1196
с уже собранными данными.
12:49
You get to also work with data
that hasn't been collected.
that hasn't been collected.
262
757527
2737
Теперь вы также работаете
с ещё несобранными данными.
с ещё несобранными данными.
12:52
You get to ask questions about why:
263
760288
1719
Вы хотите спросить о причине:
12:54
Why is this happening?
264
762031
1317
почему так происходит?
12:55
Now, when Netflix did this,
265
763778
1379
Когда это делал Netflix,
12:57
they unlocked a whole new way
to transform their business.
to transform their business.
266
765181
3035
они открыли совершенно новый
способ трансформации бизнеса.
способ трансформации бизнеса.
13:01
Netflix is known for their really great
recommendation algorithm,
recommendation algorithm,
267
769406
3956
Netflix прославился своим действительно
отличным алгоритмом рекомендаций,
отличным алгоритмом рекомендаций,
13:05
and they had this $1 million prize
for anyone who could improve it.
for anyone who could improve it.
268
773386
4797
они объявили о призе в 1 миллион
долларов тому, кто сможет его улучшить.
долларов тому, кто сможет его улучшить.
13:10
And there were winners.
269
778207
1314
И победители были.
13:12
But Netflix discovered
the improvements were only incremental.
the improvements were only incremental.
270
780255
4323
Но Netflix обнаружил, что
улучшения были неравномерными.
улучшения были неравномерными.
13:17
So to really find out what was going on,
271
785404
1964
Чтобы узнать, что происходило,
13:19
they hired an ethnographer,
Grant McCracken,
Grant McCracken,
272
787392
3741
они наняли этнографа Гранта МакКрекена
проанализировать плотные данные.
проанализировать плотные данные.
13:23
to gather thick data insights.
273
791157
1546
13:24
And what he discovered was something
that they hadn't seen initially
that they hadn't seen initially
274
792727
3924
И он выяснил нечто,
чего не было видно изначально
чего не было видно изначально
13:28
in the quantitative data.
275
796675
1355
в количественных данных.
13:31
He discovered that people loved
to binge-watch.
to binge-watch.
276
799072
2728
Он обнаружил, что люди любят
«приклеиваться» к телевизору.
«приклеиваться» к телевизору.
13:33
In fact, people didn't even
feel guilty about it.
feel guilty about it.
277
801824
2353
Люди даже своей вины за это не чувствуют.
13:36
They enjoyed it.
278
804201
1255
Они балдеют от этого.
13:37
(Laughter)
279
805480
1026
(Смеется)
Поэтому Netflix такой:
«Ага, это что-то новенькое».
«Ага, это что-то новенькое».
13:38
So Netflix was like,
"Oh. This is a new insight."
"Oh. This is a new insight."
280
806530
2356
Поэтому они пошли к своим
обработчикам данных,
обработчикам данных,
13:40
So they went to their data science team,
281
808910
1938
13:42
and they were able to scale
this big data insight
this big data insight
282
810872
2318
где смогли свести этот
вывод из плотных данных
вывод из плотных данных
13:45
in with their quantitative data.
283
813214
2587
со своими количественными данными.
13:47
And once they verified it
and validated it,
and validated it,
284
815825
3170
Стоило им сверить и утвердить их,
13:51
Netflix decided to do something
very simple but impactful.
very simple but impactful.
285
819019
4761
как в Netflix решили сделать
кое-что простое, но эффективное.
кое-что простое, но эффективное.
13:56
They said, instead of offering
the same show from different genres
the same show from different genres
286
824834
6492
Они сказали: «Вместо того, чтобы
предлагать всё те же разножанровые сериалы
предлагать всё те же разножанровые сериалы
14:03
or more of the different shows
from similar users,
from similar users,
287
831350
3888
или чаще показывать разные сериалы
для одной категории пользователей,
для одной категории пользователей,
мы просто будем больше
показывать один и тот же сериал.
показывать один и тот же сериал.
14:07
we'll just offer more of the same show.
288
835262
2554
14:09
We'll make it easier
for you to binge-watch.
for you to binge-watch.
289
837840
2105
Облегчим им прилипание к телевизору».
14:11
And they didn't stop there.
290
839969
1486
И на этом они не остановились.
14:13
They did all these things
291
841479
1474
Они сделали всё,
14:14
to redesign their entire
viewer experience,
viewer experience,
292
842977
2959
чтобы изменить всю практику трансляций,
14:17
to really encourage binge-watching.
293
845960
1758
чтобы ещё сильнее притянуть
людей к телевизору.
людей к телевизору.
14:20
It's why people and friends disappear
for whole weekends at a time,
for whole weekends at a time,
294
848230
3241
Поэтому люди и друзья разом
исчезают на все выходные,
исчезают на все выходные,
боясь пропустить сериал
вроде «Мастера не на все руки».
вроде «Мастера не на все руки».
14:23
catching up on shows
like "Master of None."
like "Master of None."
295
851495
2343
14:25
By integrating big data and thick data,
they not only improved their business,
they not only improved their business,
296
853862
4173
Сведя вместе большие и плотные данные,
они не только улучшили свой бизнес,
они не только улучшили свой бизнес,
но также изменили процесс
потребления людьми медиа-информации.
потребления людьми медиа-информации.
14:30
but they transformed how we consume media.
297
858059
2812
14:32
And now their stocks are projected
to double in the next few years.
to double in the next few years.
298
860895
4552
Ожидается, что их акции вырастут вдвое
в следующие несколько лет.
в следующие несколько лет.
14:38
But this isn't just about
watching more videos
watching more videos
299
866280
3830
Но дело не только в том,
чтобы больше смотреть телевизор
чтобы больше смотреть телевизор
14:42
or selling more smartphones.
300
870134
1620
или продавать больше смартфонов.
14:44
For some, integrating thick data
insights into the algorithm
insights into the algorithm
301
872143
4050
Для некоторых привлечение
плотных данных в алгоритм —
плотных данных в алгоритм —
14:48
could mean life or death,
302
876217
2263
это дело жизни и смерти,
14:50
especially for the marginalized.
303
878504
2146
особенно для тех, чьё положение шатко.
14:53
All around the country,
police departments are using big data
police departments are using big data
304
881738
3434
По всей стране полиция
использует большие данные
использует большие данные
14:57
for predictive policing,
305
885196
1963
для прогнозирования своей работы,
14:59
to set bond amounts
and sentencing recommendations
and sentencing recommendations
306
887183
3084
чтобы установить размер залога
и рекомендовать меру пресечения,
и рекомендовать меру пресечения,
15:02
in ways that reinforce existing biases.
307
890291
3147
и это только усиливает
существующую дискриминацию.
существующую дискриминацию.
15:06
NSA's Skynet machine learning algorithm
308
894296
2423
Алгоритм машинного обучения
АНБ США — Skynet —
АНБ США — Skynet —
15:08
has possibly aided in the deaths
of thousands of civilians in Pakistan
of thousands of civilians in Pakistan
309
896743
5444
вероятно, поспобствовал смертям
тысяч жителей Пакистана
тысяч жителей Пакистана
из-за неправильного прочтения
метаданных с мобильного устройства.
метаданных с мобильного устройства.
15:14
from misreading cellular device metadata.
310
902211
2721
15:19
As all of our lives become more automated,
311
907131
3403
По мере того, как наша жизнь
всё больше автоматизируется,
всё больше автоматизируется,
15:22
from automobiles to health insurance
or to employment,
or to employment,
312
910558
3080
от автомобилей до медицинской
страховки или устройства на работу,
страховки или устройства на работу,
15:25
it is likely that all of us
313
913662
2350
скорее всего, мы все
15:28
will be impacted
by the quantification bias.
by the quantification bias.
314
916036
2989
будем склоняться к подсчёту количества.
15:32
Now, the good news
is that we've come a long way
is that we've come a long way
315
920972
2621
Сегодня хорошая новость в том,
что прошло много времени
что прошло много времени
с тех пор, когда для предсказаний
нужно было дышать этиленом.
нужно было дышать этиленом.
15:35
from huffing ethylene gas
to make predictions.
to make predictions.
316
923617
2450
15:38
We have better tools,
so let's just use them better.
so let's just use them better.
317
926091
3070
У нас есть способы получше,
и их можно ещё улучшить.
и их можно ещё улучшить.
15:41
Let's integrate the big data
with the thick data.
with the thick data.
318
929185
2323
Давайте совмещать
большие данные с плотными.
большие данные с плотными.
15:43
Let's bring our temple guides
with the oracles,
with the oracles,
319
931532
2261
Давайте сведём жрецов храма с провидицей,
и если провести эту работу в коммерческих
или некоммерческих организациях,
или некоммерческих организациях,
15:45
and whether this work happens
in companies or nonprofits
in companies or nonprofits
320
933817
3376
15:49
or government or even in the software,
321
937217
2469
или в правительстве, или даже
в программном обеспечении,
в программном обеспечении,
15:51
all of it matters,
322
939710
1792
всё это будет иметь смысл,
15:53
because that means
we're collectively committed
we're collectively committed
323
941526
3023
потому что это будет значить,
что мы действуем сообща
что мы действуем сообща
15:56
to making better data,
324
944573
2191
ради бо́льших данных,
15:58
better algorithms, better outputs
325
946788
1836
лучших алгоритмов, лучших результатов
16:00
and better decisions.
326
948648
1643
и лучших решений.
16:02
This is how we'll avoid
missing that something.
missing that something.
327
950315
3558
Так мы ничего не потеряем.
(Аплодисменты)
16:07
(Applause)
328
955222
3948
ABOUT THE SPEAKER
Tricia Wang - Technology ethnographerWith astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers.
Why you should listen
For Tricia Wang, human behavior generates some of the most perplexing questions of our times. She has taught global organizations how to identify new customers and markets hidden behind their data, amplified IDEO's design thinking practice as an expert-in-residence, researched the social evolution of the Chinese internet, and written about the "elastic self," an emergent form of interaction in a virtual world. Wang is the co-founder of Sudden Compass, a consulting firm that helps companies unlock new growth opportunities by putting customer obsession into practice.
Wang's work has been featured in The Atlantic, Al Jazeera, and The Guardian. Fast Company spotlighted her work in China: "What Twitter Can Learn From Weibo: Field Notes From Global Tech Ethnographer Tricia Wang." In her latest op-ed on Slate, she discusses how attempts to stop terrorists on social media can harm our privacy and anonymity. Her Medium post, "Why Big Data Needs Thick Data," is a frequently cited industry piece on the importance of an integrated data approach. One of her favorite essays documents her day in the life of working as a street vendor in China.
Known for her lively presentations that are grounded in her research and observations about human behavior and data, Wang has spoken at organizations such as Proctor & Gamble, Nike, Wrigley, 21st Century Fox and Tumblr. Her most recent talk at Enterprise UX delved into why corporate innovation usually doesn’t work and what to do about it. She delivered the opening keynote at The Conference to a crowd of marketers and creatives, delving into the wild history of linear perspective and its influence on how we think and form organizations.
Wang holds affiliate positions at Data & Society, Harvard University's Berkman Klein Center for Internet Studies and New York University's Interactive Telecommunication Program. She oversees Ethnography Matters, a site that publishes articles about applied ethnography and technology. She co-started a Slack community for anyone who uses ethnographic methods in industry.
Wang began her career as a documentary filmmaker at NASA, an HIV/AIDS activist, and an educator specializing in culturally responsive pedagogy. She is also proud to have co-founded the first national hip-hop education initiative, which turned into the Hip Hop Education Center at New York University, and to have built after-school technology and arts programs for low-income youth at New York City public schools and the Queens Museum of Arts. Her life philosophy is that you have to go to the edge to discover what’s really happening. She's the proud companion of her internet famous dog, #ellethedog.
Tricia Wang | Speaker | TED.com